摘要：本发明公开了一种基于最大稳定极值区域和SVM的交通标志识别方法，采用最大稳定极值区域(MSER)算法对RGB图像中的交通标志部分进行检测，对图像进行灰度化处理，突出发挥了最大稳定极值区域算法的稳定性。运用HOG特征向量作为待识别区域边缘检测和图像分割的方法，能够在一定程度上抑制平移和旋转带来的影响，由于该方法对于光照的变化不敏感，因此还能降低图像因光照强度变化带来的干扰。在分类识别阶段使用SVM分类器，避免了人工标记的易错性和机器训练的大量耗时，该方法较好地平衡了准确性和实时性的要求，实现了交通标志的自动检测和识别。该发明对德国交通标识检测标准(German Traffic Sign Detection Benchmark)数据库中的测试图片进行了识别，得到了较好效果。

摘要：本发明公开了一种基于Harris角点检测和Sugeno模糊积分的显著性检测方法。使用角点检测可以在一定程度上确定目标的区域范围，使后续检测工作量更具有针对性，提高算法的鲁棒性。使用模糊积分的形式将不同的颜色特征依据检测贡献的大小进行融合，将能使各个特征的优势得到更好的发挥。首先采用颜色增强的Harris检测目标显著点，并采用DBSCAN聚簇分类。使用凸包划分前景区域和背景区域。然后在初步划分的两部分区域上，分别统计各个颜色特征的颜色直方图。采用贝叶斯概率模型计算每一个超像素置信度函数和各个特征模糊测度。最后使用Sugeno模糊积分对每一超像素的各特征进行积分融合，生成最终的显著图。该发明在MSRA数据集上进行测试，能够得到较好的显著性检测结果。

摘要：本发明属于视觉跟踪领域，一种基于压缩感知的实时目标跟踪算法，解决现有目标跟踪算法速度慢，鲁棒性低和目标跟踪不准确的问题。首先，取第t帧的图像将其灰度化，利用压缩感知理论，通过一个非常稀疏的随机矩阵将提取的高维多尺度图像特征映射到低维的子空间，得到一个低维的图像特征，利用分类器对特征进行分类，选出分类器反应值最大的那个样本即为跟踪的目标。该算法能够克服上述现有技术的不足，不仅在各种干扰因素下具有高的鲁棒性和高的准确性，而且处理图像的平均速度达到每秒35帧，达到实时性的要求，具有重要的现实意义。

摘要：本发明属于视觉跟踪领域，一种基于加权局部余弦相似度的目标跟踪算法，解决现有目标跟踪算法鲁棒性低和目标跟踪不准确的问题。首先，取第t帧的图像将其灰度化，通过随机漫步的方式获得候选模板，将目标模板和候选模板进行分块，然后利用正负样本进行求解权值向量，再利用加权局部余弦相似度来计算候选目标是跟踪目标的可能性，选出可能性值最大的那个候选模板即为跟踪的目标。之后进行更新目标模板，以适应目标外观的变化。该算法能够克服上述现有技术的不足，在各种干扰因素下具有高的鲁棒性和高的准确性，具有重要的现实意义。

摘要：本发明属于图像处理领域，涉及一种基于XCS‑LBP特征以及级联AKSVM的行人检测算法，该方法提出了将XCS‑LBP特征与HOG特征相结合，利用基因遗传算法实现AKSVM级联的形式，大大提高行人检测速度和精度。其实现过程是：(1)将车载摄像机采集的视频图像转换为灰度图像，(2)对灰度图像进行滤波去噪处理，(3)提取XCS‑LBP特征以及HOG特征，(4)利用得到的特征值对弱分类器进行训练(5)利用遗传基因算法决定AKSVM分解的弱分类器的顺序，(6)利用训练好的级联AKSVM对测试样本进行计算评估。本发明解决了分类器级联形式的优化问题，能够提高分类器的效率，减少行人检测的时间，而且，对样本采用多特征提取，能够提高行人检测的准确度。